2,624 research outputs found
Optimal control of aftertreatment electric heaters for mild hybrid vehicles during cold start
No full textHybrid electric on-road vehicles are gradually replacing their fossil fuel counterparts. Meanwhile, exhaust aftertreatment systems integrate new degrees of freedom, for example, heating capabilities. Therefore, this paper proposes an optimal control method to minimize the fuel consumption and the tailpipe emissions of a mild hybrid electric vehicle (mHEV) equipped with an electric aftertreatment system heater. The optimal control of the heating unit is formulated using the Pontryagin maximum principle, from which a sub-optimal bang-bang strategy can be derived. Results are presented in simulation for an mHEV with a selective catalytic reduction system equipped with an electric heating device
On the cost of delayed currency fixing announcements
Get PDFIn Foreign Exchange Markets vanilla and barrier options are traded frequently. The market standard is a cutoff time of 10:00 a.m. in New York for the strike of vanillas and a knock-out event based on a continuously observed barrier in the inter bank market. However, many clients, particularly from Italy, prefer the cutoff and knock-out event to be based on the fixing published by the European Central Bank on the Reuters Page ECB37. These barrier options are called discretely monitored barrier options. While these options can be priced in several models by various techniques, the ECB source of the fixing causes two problems. First of all, it is not tradable, and secondly it is published with a delay of about 10 - 20 minutes. We examine here the effect of these problems on the hedge of those options and consequently suggest a cost based on the additional uncertainty encountered. --exotic options,currency fixings
Prädiktives Energiemanagement für Brennstoffzellen-Lkw
Get PDFIn fuel cell electric trucks, the energy management strategy controls the operation of the fuel cell and battery systems. Besides the considerable impact on fuel consumption and driving range, properly designing this control function is essential to ensure that the powertrain components meet the lifetime requirements of long-haul transportation. Even though the literature on energy management strategies for fuel cell electric vehicles is vast, there is a fundamental research gap in studies focused on long-haul trucks, nowadays considered the most promising fuel cell application in the automotive sector. During his doctoral studies, the author has conducted state-of-the-art investigations and addressed this gap in several publications, significantly contributing to the research on energy management strategies for fuel cell electric trucks. The present doctoral thesis describes his research on the topic and summarizes the most relevant findings. In particular, it proposes innovative energy management strategies to reduce the fuel consumption and component degradation of fuel cell electric trucks and foster their market penetration. The main focus of this thesis is predictive energy management, a topic that will play a critical role in the development of intelligent fuel cell electric trucks. Indeed, the thesis demonstrates that implementing predictive strategies is the only effective way to achieve optimal vehicle performance in high-demanding driving cycles (for example, due to the heavy truckloads on mountain routes). In particular, considering long-term elevation forecasts is essential to anticipate driving conditions that are challenging from an energy management standpoint and achieve optimal performance. One of the main contributions of this thesis is the development of a dual-stage control structure for predictive energy management strategies that enables achieving optimal performance even in challenging route topographies. The dual-stage structure has two advantageous characteristics. First, it can consider the elevation profile of the entire route in the energy management optimization with low computational complexity. Second, it allows the implementation of dynamic programming to find globally optimal solutions, overcoming the well-known barriers of non-causality and high computational complexity. Moreover, the proposed predictive energy management strategy has high flexibility regarding the optimization targets. Initially, it is implemented to optimize only the fuel consumption while controlling the battery state of charge. Then, an innovative formulation is presented for the simultaneous and multi-objective optimization of fuel consumption, fuel cell degradation, and battery degradation. The benefits of this predictive and health-conscious energy management strategy are assessed in real-world driving scenarios, also considering different battery sizes and degradation states. Eventually, the simulation results demonstrate the absolute superiority of the proposed strategy against standard approaches. The thesis also proposes innovative solutions to establish synergies between the energy management strategy and other control functions from a holistic standpoint. Novel concepts are presented to significantly reduce degradation by exploiting the interaction with battery thermal management and the intelligent activation of multi-module fuel cell systems. Moreover, the co-optimization of vehicle speed and energy management using dynamic programming is proposed for optimal eco-driving, substantially reducing fuel consumption and enabling longer driving ranges to cope with the limited hydrogen refueling infrastructure. Eventually, the innovative strategies proposed in this thesis can significantly contribute to the development and market penetration of fuel cell electric trucks thanks to lower fuel consumption and component degradation. Indeed, by adopting these strategies, truck manufacturers can achieve better performance and lower ownership costs, closing the gap with conventional diesel trucks for long-haul transportation.In Brennstoffzellen-Elektro-Lkws regelt die Energiemanagementstrategie den Betrieb der Brennstoffzellen- und Batteriesysteme. Neben den beträchtlichen Auswirkungen auf den Kraftstoffverbrauch und die Reichweite ist die richtige Auslegung dieser Steuerungsfunktion von entscheidender Bedeutung, um sicherzustellen, dass die Komponenten des Antriebsstrangs die Anforderungen an die Lebensdauer im Fernverkehr erfüllen. Obwohl die Literatur über Energiemanagementstrategien für Brennstoffzellen-Elektrofahrzeuge sehr umfangreich ist, gibt es eine grundlegende Forschungslücke bei Studien zum Thema Langstrecken-Lkw, welcher heutzutage als die vielversprechendste Brennstoffzellenanwendung im Automobilsektor gilt.Während seines Promotionsstudiums hat der Autor Untersuchungen nach dem neuesten Stand der Technik durchgeführt und die Forschungslücke in mehreren Veröffentlichungen aufgegriffen, wodurch er einen wesentlichen Beitrag zur Erforschung von Energiemanagementstrategien für Brennstoffzellen-Elektro-Lkw geleistet hat. Die vorliegende Dissertation beschreibt seine Forschungen zu diesem Thema und fasst die wichtigsten Erkenntnisse zusammen. Insbesondere werden innovative Energiemanagementstrategien vorgeschlagen, um den Kraftstoffverbrauch und die Bauteildegradation von Brennstoffzellen-Elektrofahrzeugen zu reduzieren und deren Marktdurchdringung zu fördern. Das Hauptaugenmerk dieser Arbeit liegt auf dem prädiktiven Energiemanagement, einem Thema, das bei der Entwicklung von intelligenten Brennstoffzellen-Elektrofahrzeugen eine entscheidende Rolle spielen wird. In dieser Arbeit wird veranschaulicht, dass die Implementierung von prädiktiven Strategien der einzige effektive Weg ist, um eine optimale Fahrzeugleistung in anspruchsvollen Fahrzyklen, wie etwa aufgrund einer vollen Lkw-Ladung auf Bergstrecken, zu erreichen. Insbesondere die Berücksichtigung langfristiger Höhenprognosen ist von entscheidender Bedeutung, um Fahrbedingungen zu antizipieren, die aus Sicht des Energiemanagements schwierig sind, und um eine optimale Leistung zu erzielen.Einer der Hauptbeiträge dieser Arbeit ist die Entwicklung einer zweistufigen Regelstruktur für prädiktive Energiemanagementstrategien, die es ermöglicht, auch bei anspruchsvollen Streckentopographien eine optimale Leistung zu erzielen. Die zweistufige Struktur hat zwei vorteilhafte Eigenschaften. Erstens kann sie das Höhenprofil der gesamten Strecke bei der Optimierung des Energiemanagements mit geringem Rechenaufwand berücksichtigen. Zweitens ermöglicht sie die Implementierung der dynamischen Programmierung, um global optimale Lösungen zu finden, und überwindet damit die bekannten Hindernisse der Nicht-Kausalität und der hohen Rechenkomplexität. Darüber hinaus bietet die vorgeschlagene prädiktive Energiemanagementstrategie eine hohe Flexibilität in Bezug auf die Optimierungsziele. Zunächst wird sie so implementiert, dass nur der Kraftstoffverbrauch optimiert wird, während der Ladezustand der Batterie geregelt wird. Anschließend wird eine innovative Formulierung für die gleichzeitige und mehrzielorientierte Optimierung des Kraftstoffverbrauchs, der Degradation der Brennstoffzelle und der Degradation der Batterie vorgestellt. Die Vorteile dieser vorausschauenden und Energiemanagementstrategie werden in realen Fahrszenarien bewertet, wobei auch unterschiedliche Batteriegrößen und Degradationszustände berücksichtigt werden. Schließlich zeigen die Simulationsergebnisse die absolute Überlegenheit der vorgeschlagenen Strategie gegenüber Standardansätzen. In dieser Arbeit werden auch innovative Lösungen vorgeschlagen, um Synergien zwischen der Energiemanagementstrategie und anderen Regelfunktionen aus einem ganzheitlichen Blickwinkel heraus zu schaffen. Es werden neuartige Konzepte vorgestellt, um durch Ausnutzung des Zusammenspiels vom Thermomanagement der Batterie und der intelligenten Ansteuerung von Mehrmodul-Brennstoffzellensystemen die Degradation deutlich zu reduzieren. Darüber hinaus wird die Ko-Optimierung von Fahrzeuggeschwindigkeit und Energiemanagement mittels dynamischer Programmierung für ein optimales ökologisches Fahrkonzept vorgeschlagen.Dies ermöglicht eine erhebliche Reduzierung des Kraftstoffverbrauchs sowie eine Erhöhung der Reichweite, wodurch das Problem der begrenzten Infrastruktur für die Wasserstoffbetankung bewältigt wird.Letztendlich können die in dieser Arbeit vorgeschlagenen innovativen Strategien dank des geringeren Kraftstoffverbrauchs und der geringeren Abnutzung der Komponenten erheblich zur Entwicklung und Marktdurchdringung von Elektro-Lkw mit Brennstoffzellen beitragen. Durch die Anwendung dieser Strategien können Lkw-Hersteller niedrigere Betriebskosten erzielen und so die Lücke zu herkömmlichen Diesel-Lkw im Fernverkehr schließen
Aura Satz in conversation with Christoph Cox, April/May 2017
Get PDFA conversation between Aura Satz and Christoph Cox, exploring sirens and emergency signals, acoustic ecology, and economies of attention. Aura Satz is a film-maker and sound artist who has performed, exhibited and screened her work nationally and internationally, including at Tate Modern; Oberhausen Short Film Festival (Oberhausen); the Rotterdam Film Festival (Rotterdam); the New York Film Festival (NY); Gallery 44 (Toronto); InterCommunication Centre (Tokyo) and the Sydney Biennale. In 2012, she was shortlisted for the Samsung Art+ Award and the Jarman Award. She teaches at the Royal College of Art, London. She was in conversation with Christoph Cox, a philosopher, critic, and curator who teaches at Hampshire College in Amherst, Massachusetts. He is the author of Sonic Flux: Sound, Art, and Metaphysics (University of Chicago Press, forthcoming) and Nietzsche: Naturalism and Interpretation (University of California Press, 1999), and co-editor of Realism Materialism Art (Sternberg, 2015) and Audio Culture: Readings in Modern Music (Continuum, 2004/Bloomsbury, 2017). Cox is editor-at-large at Cabinet magazine. His writing has appeared in numerous journals including October, Artforum, Journal of the History of Philosophy, Journal of Visual Culture, The Review of Metaphysics. He has curated exhibitions at the Contemporary Arts Museum Houston, The Kitchen, CONTEXT Art Miami and other venues
Private Equity und Familienunternehmen: eine Untersuchung unter besonderer Berücksichtigung deutscher Maschinen- und Anlagenbauunternehmen
Get PDFDespite the common view that there is inherently a relationship of confliction, it is now impossible to imagine the financing of family-owned enterprises in Germany without the alternative method of Private Equity financing. Based on a survey on Private Equity in family owned companies specialising in the mechanical engineering sector, this working paper identifies that Private Equity in general is not as unwanted as once assumed. Overall more than 3/4 of the surveyed companies do not exclude investment capital. However, the study demonstrates that the time of large buy-outs is arguably up, and minority capital has now come into vogue. This working paper examines, from the viewpoint of the managing directors of the studied companies, the conceptions and beliefs held by such persons about Private Equity. Generally speaking, besides loss of control, managing directors primarily fear Private Equity because of exaggerated returns on investment at the expense of the long-term development of the company. On the other hand, this paper also highlights that managing directors expect that Private Equity can have a positive element as it can enable bank independence, especially at a time when it becomes increasingly difficult to maintain creditworthiness. Further, this paper analyses the relationship between the managing director of the family enterprise and the Private Equity investor. Because of the special situation of the managing director in a family owned company, trust between that person and the Private Equity investor is one of the most important factors. If there is a lack of trust the business relation is troubled from the start. --Private equity,buyout,family owned enterprises,minority capital,credit crisis,MBO,MBI,return on investments,LBO,leveraged finance,M&A
Cluster analysis and development of a process recognition model for tractors using machine learning
Get PDFZiel dieser Diplomarbeit war die Entwicklung eines Systems zur automatisierten Erkennung des Betriebs- bzw. Prozesszustandes eines Traktors, welche als Grundlage für Assistenzsysteme in Zugmaschinen eingesetzt werden soll. Die erkannten Zustände sollen als Basis für automatische Änderungen und Optimierungen von Systemeinstellungen, als Informationsquelle für Wartungsmanagement, zur Erhöhung des Fahr- und Bedienkomforts sowie zur Entscheidungsfindung der Maschinenparametrierung über Vorschlagsfunktionen der Mensch-Maschine-Schnittstelle dienen. Zur Entwicklung des Modells, welches dem System zur Zustandserkennung zu Grunde liegt, wurden Methoden aus dem Bereich des Maschinellen Lernens verwendet. Um einen Trainingsdatensatz für einen Klassifizierungsalgorithmus ableiten zu können, wurden Daten- und Clusteranalysen mit vorher aufgezeichneten Betriebsdaten durchgeführt, welche von einer Vielzahl an Sensoren an Leistungsschnittstellen des Traktors stammen. Für diese Clusteranalysen wurde eine Visualisierungsmaske programmiert, damit Datenpunkte mit Hilfe eines Logbuches, Aufzeichnungszeitpunkt und GPS-Koordinaten kontextualisiert werden konnten. Das resultierende probabilistische Modell besteht aus dem Klassifizierungsalgorithmus in Form eines Random Forests kombiniert mit einem Hidden Markov Model, welches für diesen Einsatzzweck modifiziert wurde. Nach abgeschlossener Modellentwicklung wurde die Zustandserkennungssystem auf einer Hardware implementiert und an den CAN-Bus des Traktors angeschlossen. Über den CAN-Bus werden die aktuellen Signalwerte dem Modell übergeben. Dieses detektiert wahrscheinlichkeitsbasiert den momentanen Zustand aus 15 verschiedenen Klassen und die Ergebnisse werden zurück auf den CAN-Bus geschrieben. Mit diesen Ergebnissen lassen sich Assistenz-Systeme auf jedem CAN-Bus-Teilnehmer umsetzen.The aim of this diploma thesis was the development of a system for the automated recognition of the operating or process status of a tractor, which should be used as a basis for assistance systems in tractors. The detected states should serve as a basis for automatic changes and optimizations of system settings, as a source of information for maintenance management, for increasing driving and operating comfort as well as for decision making of machine parameterization via suggestion functions of the human-machine interface. For the development of the model on which the system for state detection is based, machine learning methods were used. In order to derive a training data set for a classification algorithm, data and cluster analyses were performed with previously recorded operational data from a variety of sensors at power interfaces of the tractor. A visualization mask was programmed for these cluster analyses so that data points could be contextualized with the help of a logbook, recording time and GPS coordinates. The resulting probabilistic model consists of the classification algorithm as a random forest combined with a modified Hidden Markov Model. Once the model development was finalized, the state detection system was implemented on a hardware and connected to the CAN bus of the tractor. The current signal values are passed to the model via CAN bus. Based on probability, the model detects the current state from 15 different classes and the results are sent back to the CAN bus. These results can be used to implement assistance systems on any CAN bus member
Prädiktives Batterie-Thermalmanagement für Schwerlast-Brennstoffzellen-Lkws
Get PDFCurrent and future regulations are increasingly pushing to replace fossil fuels with alternative fuels. There are several other methods of energy sources available besides environmentally harmful sources, such as fossil fuels. One possible solution is using fuel cells in combination with a battery pack. This thesis aims to get an overview of how predictive control can be used to keep the temperature of a battery within a specific temperature range. To this end, a model predictive control system is being implemented in a hydrogen fuel cell truck. Typically, fuel cell trucks gain the driving power from two energy sources: fuel cell and battery. The fuel cell is an electrochemical process using hydrogen and oxygen. This outputs the desired electrical power for the drive and, as a by-product, pure water. Thus, this fuel cell truck can be considered emission-free for operation. The battery energy is used as a backup source when the power demand exceeds the maximum fuel cell power. This happens especially on steeper routes. Another function of the battery includes the recuperated energy during braking to be considered a buffer. An electric powertrain is installed in the truck to control the power distribution in these two systems. This powertrain regulates the energy management in the system and decides automatically when the fuel cell power is not sufficient anymore and transmits the battery energy to the drive. For this system, there exist some restrictions, especially in the size of the cooling system, because of the limited space in the truck. In order to ensure sufficient cooling for the truck’s battery, a model predictive controller is investigated in this thesis. This uses a linear model and constraint for the calculation. A reference target for the battery temperature and soft constraint is implemented for better results to keep the battery temperature close to the desired reference temperature. Higher temperatures lead to accelerated battery degradation, resulting in a shorter lifespan and decreased efficiency. Therefore, cooling must be applied in advance to keep the battery’s temperature within a predefined range. A forecast on the route is used, which contains route information, including elevation and speed limits. With this data, it is possible to forecast the electrical load on the system. In addition, predictive energy management can be used to estimate the ohmic losses. All this information is needed for the MPC, which predicts the desired cooling power of the battery. The result of this study shows a significant improvement in maintaining the battery temperature close to the desired reference temperature under different load requirements. The use of a predictive cooling strategy can, therefore, increase the service life of the battery
Ein neuer Ansatz zur Kombination von Kurz- und Langzeitvorhersagen für das Energiemanagement von Schwerlastfahrzeugen mit Brennstoffzelle
Get PDFThe world energy consumption of the transport sector is in constant growth due to globalisation. Increasing research is conducted on alternative propulsion systems to reduce the environmental impact of heavy-duty vehicles.In this context, fuel cell electric vehicles are one of the most promising solutions to reduce greenhouse gas emissions. This vehicle architecture includes a fuel cell system that converts hydrogen into electricity - with only water as a by-product - and a battery system that copes with the fast load transients typical of automotive applications.Therefore, an energy management strategy (EMS) is necessary to distribute the electric load demand between the fuel cell battery systems, usually referred to as the power-split control task. From a control theory point of view, the power-split task can be formulated as a complex optimisation problem involving several contrasting objectives, such as fuel consumption, battery state-of-charge (SoC) control, and battery ampere throughput. Using a predictive energy management strategy (PEMS), the power-split can be optimised based on the future load demand, estimated using driving information forecasts (e.g. vehicle speed, route elevation, traffic congestion level, weather).The driving forecasts can be classified into short-term and long-term, depending on the future horizon length, e.g. one minute ahead and one hour, respectively. Although computational capabilities of industrial controllers are steadily increasing, online processing of various long-term predictive information still places a heavy burden on modern hardware. Therefore, assuming that both forecast levels are available, it is interesting to investigate new approaches to deal with the high computational complexity of predictive controllers.This thesis proposes a novel model predictive control (MPC) formulation as a PEMS with long prediction horizons but few decision variables. In particular, the classical MPC formulation is modified to have non-uniformly distributed control variables. The PEMS can consider short-term information (e.g. traffic) and long-term information (e.g. route elevation). The proposed predictive strategy is tested on real-world driving cycles of road freight vehicles. Several parameter changes and forecast scenarios are adopted to examine the efficacy and robustness of the MPC. The results show that the proposed concept achieves optimal fuel consumption and SoC control results while reducing the computational complexity of MPC.Der weltweite Energieverbrauch des Verkehrssektors nimmt aufgrund der Globalisierung ständig zu. Es wird zunehmend an alternativen Antriebssystemen geforscht, um die Umweltauswirkungen von schweren Nutzfahrzeugen zu verringern. In diesem Zusammenhang sind Brennstoffzellen-Elektrofahrzeuge eine der vielversprechendsten Lösungen zur Reduzierung der Treibhausgasemissionen. Diese Fahrzeugarchitektur umfasst ein Brennstoffzellensystem, das Wasserstoff in Elektrizität umwandelt - wobei nur Wasser als Nebenprodukt anfällt - und ein Batteriesystem, das die für Automobilanwendungen typischen schnellen Lastwechseln bewältigt. Daher ist eine Energiemanagementstrategie (EMS) erforderlich, um den elektrischen Leistungsbedarf zwischen den Brennstoffzellen-Batteriesystemen zu verteilen. Die Regelung der Leistungsaufteilung kann als komplexes Optimierungsproblem formuliert werden, das mehrere gegensätzliche Ziele beinhaltet, wie z. B. den Kraftstoffverbrauch, die Kontrolle des Ladezustands der Batterie und den Ampere-Durchsatz der Batterie. Mit Hilfe einer prädiktiven Energiemanagementstrategie kann die Leistungsaufteilung auf der Grundlage des künftigen Leistungsbedarfs optimiert werden, der anhand von Fahrdatenprognosen (z. B. Fahrzeuggeschwindigkeit, Streckenhöhe, Verkehrsstaus, Wetter) geschätzt wird. Die Fahrprognosen können je nach Länge des Prädiktionshorizonts in Kurzzeit- und Langzeitprognosen unterteilt werden, z. B. ein Horizont von einer Minute bzw. einer Stunde. Obwohl die Rechenkapazitäten industrieller Steuerungen stetig zunehmen, stellt die Online-Verarbeitung verschiedener langfristiger Vorhersageinformationen immer noch eine große Belastung für moderne Hardware dar. Unter der Annahme, dass beide Vorhersageebenen verfügbar sind, ist es daher interessant, neue Ansätze zu untersuchen, um die hohe Rechenkomplexität prädiktiver Regler zu bewältigen. In dieser Arbeit wird eine neuartige Formulierung für Model Predictive Control (MPC) vorgeschlagen, um eine prädiktive Energiemanagementstrategie mit langen Vorhersagehorizonten und wenigen Entscheidungsvariablen zu ermöglichen. Insbesondere wird die klassische MPC-Formulierung dahingehend modifiziert, dass sie nicht gleichmäßig verteilte Kontrollvariablen aufweist. Dadurch kann der prädiktive Regler kurzfristige Informationen (z.B. Verkehr) und langfristige Informationen (z.B. Streckenhöhe) berücksichtigen. Die vorgeschlagene Vorhersagestrategie wird anhand von realen Fahrzyklusdaten eines Straßengüterfahrzeuges getestet. Es werden verschiedene Parameteränderungen und Prognoseszenarien angenommen, um die Wirksamkeit und Robustheit des MPC zu untersuchen. Die Ergebnisse zeigen, dass das vorgeschlagene Konzept optimale Kraftstoffverbrauchsergebnisse erzielt, Batterieladezustandskontrolle ermöglicht und gleichzeitig die Berechnungskomplexität eines MPC reduziert
- …
